「瓶颈在算力。」同一句话，放在不同的 AI 实验室里，可能说的是三件不同的事：训练还没吃完的数据，已经学过却没有充分用好的知识，以及必须靠行动才能取得的新经验。芯片可以用同一种型号，智能增长却未必沿着同一把尺子。

2026 年 9 月 1 日，李飞飞创办的 World Labs 发布 Atlas，把图像生成与空间重建放进共享的空间上下文。团队选中的基础任务朴素得近乎日常：给出已经看见的部分，再问，换个位置，我会看见什么？他们押注，这个问题有机会像 Next Token Prediction 一样，容纳越来越复杂的学习。

这使 Atlas 成为一个值得单独观察的信号。语言模型继续扩大能力边界，空间模型也在寻找自己的增长方式。关键在于，新增的算力究竟换来了更漂亮的画面、更完整的空间，还是更可信的行动后果。三者之间的距离，决定了世界模型会先成为怎样的产品，又会在哪里重新遇到瓶颈。

一、相机有了坐标

房间里有一张木桌，桌上放着一只杯子。生成它的正面照片，已经足够容易。让相机绕到桌后、钻到桌下，再回到门口，问题才真正开始：杯子有没有留在原处？桌腿是否仍是原来的几条？窗户和门还能不能对上？

每一帧都好看，只是最初的要求。它们还得属于同一个地方。

Atlas 让相机的位置与朝向成为模型直接处理的条件。图像、深度图以及相机位姿，共同构成空间上下文。用户要求镜头向左移动时，这个「左」有了几何参照，模型需要处理遮挡怎样变化、哪些表面开始显露、远近物体如何错开。

Ben Mildenhall 把依赖文字反复试运镜的体验形容为「老虎机」。用户说出想要的镜头，生成一次，不满意再来一次。明确的相机输入，让创作者能够进一步安排镜头如何经过场景，控制开始进入生成的内部。

这背后连接着两种视觉能力。生成模型从样本中学习世界通常是什么样，因而能够想象没拍到的部分；多视角重建利用不同照片之间的几何关系，恢复这个具体场景。一个提供经验，一个提供证据。

Atlas 把这两种能力放到同一个模型里：看见的部分约束它，没看见的部分由学到的知识补齐。一扇门后面可以长出走廊，但走廊还要接得上已有房间，而不能在镜头转身时另换一套建筑。

新视角预测由此获得了比「再画一张」更重的含义。模型每次转动相机，都要继续承担先前已经作出的空间承诺。

二、把采集的重量交给模型

许多 3D 工作流的麻烦，发生在成品出现之前。

人要围着家具走，低头拍桌子下面，绕过植物，再回头补柜子之间的缝隙。同一处表面还要从几个角度拍到。最后那段顺畅的空间漫游，前面可能站着一个在房间里反复找机位的人。

World Labs 希望减轻这部分劳动。官网给出的表现是，Atlas 通常仅凭两三张图像，就能形成较忠实的重建。在对谈里，团队还谈到了输入量降到传统密集重建约五十分之一至百分之一的目标。Ben 另举了一套多房间住宅：过去约 2000 张的采集素材，选取约 30 至 40 张后，已经得到接近原先观感的穿行效果。

这些数字分别回答了不同的问题：少量输入能做到什么，团队希望把采集负担降到哪里，以及一个具体住宅的素材可以压缩多少。把它们排成同一条性能曲线，会抹掉各自的场景和质量口径。

更直接的演示来自 Stanford Main Quad。World Labs 官网展示了由 2 至 25 张地面图像逐步建立空间上下文、再生成空中视角的过程。地面照片没有拍到全部屋顶，模型仍能让相机从上方经过。真实观察负责固定一部分结构，生成能力则补上视线未曾抵达的地方。

这恰好说明了新能力的价值，也说明了它的用途边界。影棚预演可以接受一扇没拍到的窗户由模型补出；建筑交底要追问那扇窗户到底在哪、多宽。三张照片让人进入一个房间，与三张照片让工程师对尺寸负责，是两件事。

对于影视勘景、房产展示和场景草拟，先得到一个可以探索的空间，再按需要补拍，已经可能改变工作顺序。普通视频、旧照片和不够专业的采集素材，也因此有机会重新成为有用的输入。

这里发生的是一次劳动转移：一部分原本在现场完成的视角覆盖，被预训练形成的经验和生成时的计算接了过去。采集成本下降之后，哪些项目值得做，哪些普通用户能开始做，都会跟着变化。

三、同样缺算力，缺的不是同一件东西

Atlas 真正值得放进产业地图的地方，在这里。

上一代 Marble 主要把世界交付为 Gaussian Splats，也就是高斯泼溅表示，方便渲染和进入已有的 3D 工作流。Atlas 则把学习任务向下移了一层：先围绕空间上下文预测新的观察，需要图像就输出图像，需要三维结构就生成相应的几何信息，再按用途转成可以交付的表示。

产品的出口可以变化，底层任务保持统一。World Labs 希望借此容纳更丰富的数据和更广泛的能力。

Justin Johnson 在对谈中介绍，团队增加模型规模和训练计算时，持续看到了效果改善。对他们而言，当前的直接问题是，在现有架构和数据组合下，还能投入多大的训练。这是一家实验室对自己所处位置的判断。

衡量这些进展，也得先看比较双方拿到了什么输入。World Labs 在相机控制测试中给 Atlas 输入原生相机路径，给其他视频模型的则是描述运镜的文字。两种方式把用户意图传入模型的精确程度，本身就不同。

这种接口优势对创作者是真实的：能够直接指定机位，往往比反复描述机位更省事。但要追问多加算力带来了什么，就得把可控性的产品优势与几何重建的能力进展分别看清。同一张排行榜，也有自己的刻度。

把目光移到语言模型一侧，问题的重心已经更加分化。

Epoch AI 对人类公开文本存量的研究，讨论了沿既有趋势扩张可能遭遇的数据约束；Xu 等关于数据受限预训练的研究，则直接研究怎样在有限数据上进行多轮训练。二者指向同一个问题：同一份文本反复经过芯片时，增加计算还会带来多少有效学习？

这与宣告「语言数据已经耗尽」相去甚远。它说明的是，新信息的供给、已有数据的利用效率，正与芯片数量共同决定预训练的收益。

而在语言模型的后训练与推理阶段，计算还可以用于试解、筛选和修正。数学答案可以核对，代码可以运行，模型有机会通过这些反馈，把已经学到的能力组织成更有效的解题过程。增加算力，在这里又有了不同的用途。

Atlas 当前的空间学习，则试图把大量视觉经验更充分地组织起来：两张图片之间的遮挡关系，移动镜头中的布局约束，以及从未直接看见的区域如何接到已知场景上。把新视角预测设为共同任务，是为了让这些关系能够一起参与学习。

因此，空间侧的机会可以理解为一条仍在探索的算力收益曲线。原来分散在照片、视频与几何任务中的信息，有机会在统一框架里释放新的价值。至于这条曲线有多长，团队的扩展实验给出了起步的信心，尚未交出全程的地图。

这会改变对世界模型的商业理解。为一段视频减少重抽次数，为一个空间减少采集工作，为一个项目减少修改返工，它们都可能兑现为用户愿意付费的效率。能够先把其中一项做稳，就能形成产品，而不必等到通用机器人出现。

与此同时，大量自然图像，也不等于大量机器人经验。一个模型可以见过无数线缆，却很少见过某一种夹爪以某一种力量拉住它的结果。沿着空间智能继续往前走，数据与算力谁先成为瓶颈，会随任务再次移动。

尺度需要先问清楚自己在量什么。把更多图像学成空间，与把空间学成可行动的世界，是两次不同的扩展。

⁂

四、世界要能改，也要能继续存在

电影和游戏需要的世界，通常会经历许多个明天。

今天把椅子移到窗边，明天把光线改成黄昏，后天让人物穿过房间。创作者每次提出新要求，都默认已经确认的部分继续有效。窗户不会因为换了灯光而换位置，人物也不会因为相机转身而换身份。

这把生成模型带进了持续工作的时间里。

Atlas 已经从底层纳入动态支持，但 Justin 对现阶段的形容仍是「baby dynamics」。此次发布版本的后训练重点主要落在静态场景与相机移动。水面波动、远处车辆移动，显示了时间维度的入口；持续的人物动作、物体交互和复杂变化，还在这条路线更深的地方。

Ben 强调可编辑性，触及的是专业软件最朴素的要求：工作要能够累积。

一张效果图只需在出现时令人满意，一个项目却要承受修改。客户说「把这扇门往左移一点」，不应连带改变另一面墙的材质。团队说「保留上一版人物」，也不应靠人工在数十次生成里找一个长得相近的替代品。

物体身份、场景布局和修改历史因此会变得重要。它们是否通过显式结构保存，是实现层面的问题；用户看到的结果，应当是每次局部调整都能延续之前的工作。

World Labs 的「子弹时间」示例，把这种变化拉到具体制作场景里。官方概括为最少三台相机即可拍摄，具体示例说明使用了 3 至 5 个相机视角重建场景，再自由调整观看位置。少数真实角度留下动作，生成模型补出其他机位，镜头选择的一部分工作便从现场布置转移到了后续编辑。

更长远的产品机会，藏在那些反复发生的修改中。首次生成吸引创作者进门，第二十次修改仍然可靠，才会让项目留下来。世界模型进入专业生产的速度，很可能取决于它能省去多少次重新开始。

五、机器人会碰到另一道数据边界

机械臂伸向桌上的线缆时，漂亮画面退到了后面。

它要知道夹住哪一段、会不会滑脱，拉动之后怎样弯曲，会不会把旁边的箱子带倒。人类看一眼就能形成许多直觉，机器人需要把这些直觉变成可以执行的动作。

李飞飞把机器人当前最主要的瓶颈指向数据。这与 Justin 对 Atlas 训练算力的判断并不矛盾：一个谈空间模型的现阶段扩展，一个谈机器人从动作中学习的条件。

互联网积累了大量看见世界的记录。机器人需要的记录，还要把动作与后果连起来。有人整理线缆的视频，可以提供视觉经验；夹爪施力、材料滑动、接触失败等过程，则需要更贴近任务的交互信息。

Real-to-Sim 与 Sim-to-Real 试图延长真实经验的用途：先把真实环境带进模拟，再改变物体位置、照明和任务条件，让策略经历更多情况，随后回到真实世界工作。

官网的机器人导航演示给出了一组更具体的输入：两个大型环境，分别从手机视频中取 24 帧进行重建。随后在场景中模拟不同机器人的行走路径，再由 Atlas 生成机载相机所见的画面。这 24 帧对应的是每个环境的重建输入；机器人实际移动时的观察，由模型继续生成。

稀疏重建可以先减少搭建环境的成本。这一步越轻，更新训练场景就越容易。进一步的数据驱动神经模拟器，则希望直接学习环境如何响应动作，补上从「看见」到「做过」之间的距离。

这里会出现一条新的分界。模型生成了一万次线缆弯曲，数字当然很大；这一万次弯曲究竟遵循了什么规律，才决定机器人学到了什么。

World Labs 将世界模型的功能分成渲染、模拟与规划。渲染面向观察，模拟关心状态怎样变化，规划决定接下来采取什么动作。三者共享对世界的知识，却需要在不同的地方取得可靠性。

如果模型能预测几种抓取方案的后果，规划系统便可以比较它们，选择更接近目标的一种，再根据真实反馈调整。世界模型因此有机会成为行动前的试演场。

但这个试演场的价值，最终落在机械臂回到真实桌面之后。箱子挪了，线缆换了，光照变了，它是否仍然能够完成工作？

这也是空间 Scaling 叙事需要继续分段观察的原因。静态场景可以先从存量影像获得增长，动作学习却还需要不断补充现实的回声。更多算力能够放大可靠经验的作用，也会放大错误模拟的影响。

Atlas 先降低了建立空间的门槛。把这个空间进一步变成可信的训练环境，需要让模型生成的后果与真实世界持续对上。

结语：下一把尺子

走过拐角之前，人已经预想拐角之后。伸手取杯之前，人已经估计距离与遮挡。视觉把这些身体经验不断组织起来，新观察也不断修正旧判断。

新视角预测之所以值得押注，正在于它把这种日常经验压成了一个共同问题：换个位置，我会看见什么？当问题再加上时间与动作，它便可能容纳更丰富的学习。

真正的变化会显现在一些具体时刻。相机绕一圈回来，桌子还在原处；补进一张照片，模型能修正此前猜错的门；把椅子挪开，房间其余部分保持；机器人在模拟中练过之后，能更稳地处理现实中的线缆。

这些时刻分别对应空间一致性、可纠正性、持续编辑和行动迁移。它们增长的速度不必相同，也很难被一条演示视频同时说清。

因而，Atlas 与语言模型可以同时站在各自的高光里。语言侧继续挖掘知识与推理的价值，空间侧尝试把视觉经验组织成更完整的世界，机器人侧则追问行动怎样获得可靠反馈。它们共享硬件，也分享算法经验，却面对不同的稀缺。

世界模型的下一步，值得按这样的次序观察：先看它怎样改变采集与创作，再看它如何维护时间中的状态，最后看这些能力怎样帮助机器行动。每一次前进，都应当能让某种真实劳动变得更容易。

「瓶颈在算力」可以是继续投入的理由。要理解这份投入的分量，还得追问一句：这一轮计算，究竟让机器多知道了什么？

算力决定能走多快，经验决定正在走向哪里。

本文依据 World Labs 官方发布、a16z 公开对谈及相关 Scaling 研究写成，资料截至 2026 年 9 月 6 日。配图为 AI 概念插画。

https://www.worldlabs.ai/blog/atlas

https://www.youtube.com/watch?v=qn1QDDBnTA0

https://arxiv.org/abs/2606.06888

Epoch AI｜人类公开文本存量与 LLM 扩展约束
https://epoch.ai/publications/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data

转载请注明：《宇宙纪事 · 深度专研》系列。

宇宙纪事 / COSMIC CHRONICLES